Categories
La sécurité, la sûreté et la confidentialité sont au cœur de notre mission. À l’image du secteur de la recherche marketing, qui s’adapte sans cesse aux nouvelles tendances et défis, nous faisons évoluer nos technologies pour avancer avec lui.
La mauvaise qualité des échantillons est l’un des principaux problèmes auxquels fait face le secteur aujourd’hui. Notre secteur se bat contre des réseaux de fraude organisés, capables de développer et de déployer des technologies de scripts particulièrement sophistiquées, leur permettant d’imiter des comportements humains ainsi que les empreintes d’appareils légitimes. Et ce n’est pas tout : le secteur doit aussi se prémunir contre des attaques massives et rapides menées par des fermes à clics et des bots automatisés.
Les fraudeurs cherchent constamment à contourner les contrôles de sécurité. C’est pourquoi Cint s’engage à développer des solutions garantissant à ses clients une protection maximale de leurs données.
L’un de nos principaux outils de sécurité est le Cint Trust Score, un modèle propriétaire basé sur le machine learning et l’IA, capable de prédire de manière proactive lorsqu’une session risque de conduire à une anomalie. Toujours vigilant et évolutif, ce modèle intègre en continu de nouveaux signaux de données pour s’ajuster aux évolutions des comportements et des contextes.
Grâce à ces technologies, chaque participant à une enquête est évalué afin de détecter rapidement les comportements suspects. En cas de détection de comportement frauduleux, la session de l’enquête concernée est immédiatement interrompue, empêchant ainsi toute fraude potentielle.
Les avantages offerts par Trust Score sont nombreux. En tant que client Cint, savoir que vos données sont de haute qualité renforce la confiance dans les insights que vous en tirez, ce qui vous permet de prendre des décisions commerciales plus efficaces.
Mais concrètement, comment fonctionne Trust Score ? Pour le découvrir, nous avons échangé avec Jimmy Snyder, VP Trust and Safety, et Alex Namzoff, Principal Product Manager, afin de plonger au cœur de ce modèle unique, qui donne à Cint la confiance nécessaire pour la transmettre à ses clients.
L’alliance homme-machine
Le terme « machine learning » est devenu incontournable en 2024. Mais que signifie-t-il concrètement ? Et en quoi ce concept s’applique-t-il au fonctionnement du Cint Trust Score dans la détection des comportements frauduleux ?
« Imaginez que nous ayons cent participations à une enquête, et que dix d’entre elles soient annulées tandis que les 90 autres soient validées et approuvées par l’acheteur, » explique Alex Namzoff. « L’idée, c’est de comprendre quels comportements sont associés aux dix qui ont été annulées, pour qu’à l’avenir on puisse reconnaître ce type de schéma dans une nouvelle participation et la bloquer, ce qui nous permettrait d’avoir cent résultats valides la fois suivante. »
En résumé, comme le dit Alex Namzoff : « Le machine learning, c’est ce processus d’apprentissage.
Nous alimentons l’algorithme avec toutes les informations nécessaires pour qu’il détecte des schémas. Le modèle devient ensuite l’outil capable d’analyser les nouvelles données et de vérifier si elles correspondent à ces schémas problématiques. »
Jimmy Snyder simplifie davantage : « Trust Score, c’est notre moteur de machine learning. Il prédit quelles sessions risquent d’être invalidées. »
Dans les coulisses du Cint Trust Score
Les nouveaux modèles sont entraînés à partir des trois derniers mois de données de scoring. « Dès qu’un répondant participe à une session, nous pouvons l’évaluer en nous basant sur un historique de sept jours, » explique Jimmy Snyder.
« Imaginons qu’aujourd’hui, nous entraînions un modèle sur les données des trois derniers mois. Ce modèle va nous permettre d’analyser toute nouvelle tentative d’accès à une enquête pour voir si elle correspond aux schémas du passé. », ajoute Alex Namzoff. Supposons que je tente de répondre à une enquête aujourd’hui. Nous devons déterminer quelles informations issues de mon activité peuvent être comparées aux modèles de comportements passés. Le système va examiner mes sept derniers jours d’historique de sessions et les comparer aux tendances observées dans les trois mois de données précédentes. »
Pourquoi une fenêtre de sept jours ?
« Sept jours, c’est la période optimale pour recueillir assez d’informations que l’on pourra ensuite comparer avec celles du modèle. Au-delà, on ne gagne pas vraiment en précision, et en deçà, on manque de données », affirme Namzoff.
Le modèle fonctionne en temps réel : l’objectif est de préserver une expérience fluide pour les répondants honnêtes, tout en identifiant les comportements à risque dès leur apparition.
« On ne peut pas analyser trois mois d’historique et faire attendre le répondant trois minutes pendant que le système traite les données pour vérifier s’il peut accéder à l’enquête, » ajoute Namzoff. « Ce serait comme faire patienter quelqu’un cinq minutes à l’entrée d’un magasin pour vérifier ses achats passés. »
Il est important de souligner que des dispositifs de contrôle comme le modèle Trust Score sont mis en place pour protéger à la fois les clients et les participants aux enquêtes. Ils ont été pensés, conçus et déployés dans cette optique.
Comme l’explique Alex Namzoff : « Nous cherchons constamment à trouver le juste équilibre entre l’efficacité antifraude et la préservation de l’expérience utilisateur, pour les participants, qui sont légitimes et de bonne foi. Il est essentiel de ne pas les pénaliser inutilement. »
Spy versus Spy
« La fraude a considérablement augmenté au cours des cinq dernières années, » explique Jimmy Snyder. « Nous avons vu des groupes de fraudeurs organisés se structurer, se coordonner et attaquer notre secteur à un rythme inquiétant. »
Il poursuit : « Ce phénomène s’est accéléré car ces groupes partagent, et monétisent même, des méthodes pour générer des revenus frauduleux. Ils transforment littéralement ces pratiques en produits, à nos dépens.»
Cette croissance s’explique en partie par la montée en puissance et l’accessibilité, ces dernières années, des technologies qui facilitent ce type de fraude, notamment les outils génératifs d’IA, désormais omniprésents dans notre quotidien numérique.
Les fraudeurs ont plus d’une corde à leur arc. L’une des méthodes les plus répandues reste celle des fermes à clics. Ce terme désigne le recours à des individus, (souvent) sous-payés, chargés de répondre à des enquêtes dans le seul but d’obtenir les récompenses proposées.
« Les fermes à clics peuvent être de vastes groupes de personnes, parfois des bâtiments entiers remplis d’individus utilisant des VPN
et répondant à des enquêtes. Mais cela peut aussi être une seule personne avec 85 écrans, pilotant un bot pour mener l’attaque. Et comme nous ne voyons pas la fraude se produire en temps réel, l’appréhender est difficile. »
Peu importe la méthode employée pour tenter d’infiltrer le système, nos clients, participants et partenaires peuvent en être certains : une fois qu’un acteur malveillant est identifié par le modèle Trust Score, il est automatiquement exclu de l’écosystème Cint.
Pour en savoir plus sur l’approche de Cint en matière de confiance et de sécurité, cliquez ici.
